3D Morphological Perturbations

新的3D形态扰动提高了视频模型深度精度

研究人员开发了一种新的无优化正则化器，称为3D形态扰动，用于改进NeRF和3D高斯泼溅（3DGS）等3D场景表示。该方法将3DGS中的每个高斯视为基本单元，并对其尺度、旋转和修剪参数应用扰动。该方法消除了在数据集策展期间进行昂贵的每场景3DGS优化的需求，并使模型能够学习更强的几何先验。当通过ControlNet集成到具有140亿参数的视频模型中时，它将平均深度误差降低了12.5%，并将机器人策略在操作任务上的成功率提高了多达8.0%。